Portfolio-optimization-trading-strategies

Portfolio-optimization-trading-strategies

Online-trading-academy-professional-trader-course
Trading-system-genetic-algorithm
Volume-adjusted-moving-average-metastock


Regulated-forex-broker-di-india Is-forex-trading-diperbolehkan-di-islam Tinjauan sistem perdagangan-tsunami Ozforex-ipo-harga Pilihan-trading-ny-kali Trading-indicators-cci

Pengoptimalan dan strategi pengoptimalan portofolio energi Pendahuluan Pembentukan optimal strategi pengelolaan perdagangan dan portofolio sesuai dengan target pengembalian risiko individu adalah kunci keberhasilan perusahaan dalam perdagangan tenaga dan gas. Untuk memenuhi tujuan ini secara praktis dan konsisten, sangat diperlukan untuk memanfaatkan pendekatan kuantitatif yang kuat. Strategi optimasi dan strategi pengoptimalan portofolio Energi kami akan memberi Anda pengetahuan dan pengalaman langsung untuk berhasil menyiapkan dan menerapkan konsep-konsep ini di organisasi Anda. Kursus ini dipresentasikan bersama rekan KYOS kami. Kelompok Sasaran Kursus ini bertujuan untuk berbagai profesional yang aktif di bidang energi dan keuangan, termasuk manajer, pedagang, pengembang aset, manajer portofolio dan risiko, dan regulator. Orang lain yang ingin mengembangkan pemahaman praktis tentang optimalisasi portofolio energi dan strategi trading berdasarkan praktik terbaik akan mendapatkan keuntungan dari kursus. Kursus ini dipresentasikan dalam satu hari, dipecah menjadi sesi pagi dan sore. Sepanjang sesi pagi, peserta akan memperoleh pengetahuan latar belakang mengenai karakteristik pasar energi dan gas Eropa. Sesi ini mencakup struktur pasar dan masalah likuiditas pasar yang relevan serta struktur portofolio di sepanjang rantai pasokan dan eksposur risiko yang ada. Selanjutnya, tujuan utama dalam manajemen risiko dan mitigasi risiko diperkenalkan. Ini mencakup penyelarasan toleransi risiko individu dan strategi bisnis serta alokasi modal risiko dan pembatasan risiko. Akhirnya, peserta akan belajar tentang karakteristik dan mekanisme struktur kontrak fisik dan keuangan spesifik yang diperlukan untuk mengelola portofolio energi, mulai dari instrumen standar hingga instrumen yang lebih fleksibel. Sesi sore dibangun di atas yayasan ini dan memberikan wawasan rinci tentang teknik dasar dan perdagangan yang lebih maju dan teknik lindung nilai yang dinamis di pasar yang tidak lengkap. Akhirnya, peserta kursus akan belajar bagaimana mengoptimalkan dan memantau portofolio dan strategi perdagangan dalam praktik berdasarkan konsep utilitas ekonomi yang mapan. Seluruh kursus memiliki fokus yang kuat pada penerapan dan memberikan banyak contoh dan studi kasus pertama seperti: Pengoptimalan portofolio energi dan optimisasi sehari-hari, penggunaan kontrak penyimpanan dan ayunan yang optimal, strategi perdagangan yang optimal untuk umpan balik tak terbarukan yang tidak pasti. . Sertifikat kehadiran akan dikeluarkan untuk masing-masing peserta. Persyaratan Kursus ini tidak memerlukan pre-knowledge spesifik. Instruktur digunakan untuk menyajikan konsep dasar serta contoh praktis secara intuitif. Silahkan klik di sini untuk mendownload brosur kami (termasuk rincian kursus, harga, tanggal dan lokasi). Optimasi Portofolio Kerangka optimasi portofolio Excel untuk aset keuangan dan portofolio bisnis Template Optimal Portofolio Excel menetapkan pembobotan modal secara optimal untuk portofolio investasi keuangan atau aset bisnis untuk memaksimalkan Kembali dan meminimalkan risiko penarikan. Pilihan penilaian risiko dan dinamika portofolio dapat disesuaikan untuk menganalisis optimalisasi portofolio berdasarkan kebutuhan bisnis yang spesifik, ekstrapolasi dan preferensi. Manajemen portofolio dibantu dengan analisis teknis termasuk optimasi parameter indikator dengan total return yang diuji kembali untuk menetapkan strategi perdagangan yang optimal pada tingkat investasi perorangan dan portofolio. Fitur utama dari template Optimasi Portofolio Excel meliputi: Masukan data dan alur kerja yang sederhana dan logis disediakan dengan pilihan yang mudah disesuaikan disertai dengan informasi bantuan terpadu. Masukan tersebut mengakomodasi hingga 100 data arus kas atau data arus kas bisnis dimana pembobotan portofolio, pengembalian, dan korelasi risiko dihitung. Harga historis untuk data keamanan finansial dapat didownload secara bebas dari internet dengan solusi download data pasar yang menyertainya. Solusi data pasar untuk mengunduh data harga keamanan finansial juga memberikan analisis pengembalian dan statistik terperinci untuk membandingkan dua sekuritas atau sekuritas dengan indeks patokan. Opsi penilaian membandingkan valuasi arus kas diskonto dari sekuritas pasar berdasarkan ekspektasi ekspektasi analis konsensus untuk menentukan apakah saham berada di bawah atau dinilai terlalu tinggi dengan membandingkan kapitalisasi pasar. Kendala pembobotan minimum dan maksimum dapat ditentukan untuk setiap aset agar portofolio optimal dapat mencerminkan batasan kewajiban dan pembatasan alokasi modal. Matriks korelasi dan dinamika portofolio yang dihitung dari data masukan dapat dimodifikasi sebelum menjalankan proses optimasi. Hal ini memungkinkan asumsi mengenai tren dan hubungan masa depan yang harus dipertanggungjawabkan dalam portofolio optimal. Risiko portofolio untuk optimasi dapat didasarkan pada volatilitas keseluruhan berdasarkan rasio Sharpe atau risiko penurunan atau semi-deviasi di bawah target di bawah rasio Sortino. Optimalisasi dapat dilakukan pada rasio Sharpe atau Sortino serta rasio pengembalian, risiko dan rasio Omega yang menganalisis proporsi kenaikan ke atas ke bawah kembali. Hasil disimpan untuk tingkat minimum dan maksimum sehingga portofolio yang dihasilkan dapat dimuat dan dilihat tanpa memerlukan proses pengoptimalan tambahan. Opsi tambahan memungkinkan fleksibilitas dan penyesuaian analisis seperti menghitung jumlah untuk menerapkan jumlah modal nominal sama dengan investasi dan mengekspor hasil ke file mandiri. Portofolio yang ada dan dioptimalkan dapat ditentukan dengan posisi Long dan Short baik sebagai campuran panjang maupun panjang, dimana campuran optimal dari posisi long dan short diidentifikasi. Perbandingan antara portofolio saat ini dan optimal ditampilkan secara grafis serta unit membeli dan menjual jumlah yang dibutuhkan untuk setiap investasi dalam portofolio. Sebuah target return matching periodisitas masukan dapat ditentukan dimana probabilitas pencapaian dihitung dan ditampilkan dengan menggunakan simulasi Monte Carlo. Fungsi rolling back test memungkinkan spesifikasi optimasi periodik dalam periode waktu historis untuk menganalisis efek selanjutnya dari optimasi pada kinerja portofolio. Analisis teknikal dengan sinyal Buy and Sell dan return menguji total return gain dilakukan untuk portofolio keseluruhan dan masing-masing investasi. Indikator analisis teknis yang dapat dikonfigurasi meliputi: Simple Moving Average (SMA), Rate of Change (ROC), Moving Average ConvergenceDivergence (MACD), Indeks Kekuatan Relatif (RSI) dan Bollinger Bands. Optimalisasi otomatis konstanta periode indikator teknis menemukan parameter yang memaksimalkan return yang diuji kembali pada investasi individual dan tingkat portofolio secara keseluruhan. Hasil analisis teknis menunjukkan perbandingan antara total return yang diuji antara tidak ada perdagangan tindakan dan sinyal untuk portofolio total, portofolio lancar dan optimal seperti indeks dan juga investasi individual. Hasil ini dapat digunakan bersamaan dengan indikator dan indikator penyaringan indikator observasi terakhir untuk menetapkan strategi perdagangan yang optimal untuk portofolio. Persyaratan - Excel 97-2016 - Excel 2004, 2011 atau 2016 USD 26.00 Secure Processing (Unduh diupdate pada 2016-06-23) Optimalisasi Portofolio Masukan dan Pilihan Template Excel independen memungkinkan data keamanan pasar didownload secara otomatis untuk beberapa simbol dalam waktu lama. Periode dalam frekuensi harian, mingguan dan bulanan untuk input optimasi. Data real-time dapat diunduh dan dicatat pada interval waktu tertentu untuk analisis intraday dan perdagangan. Sebagai alternatif, data keuangan atau bisnis lain dapat dimasukkan atau disalin ke dalam input dan ditentukan sebagai nilai arus kas, harga atau imbal hasil. Jumlah modal investasi dapat diterapkan dan ditetapkan sama untuk masing-masing investasi sebagai alokasi awal untuk menganalisis strategi baru. Pembobotan aset saat ini dihitung dengan jumlah unit pada masing-masing investasi dan harga satuan terakhir. Posisi pendek diwakili oleh unit negatif dan mungkin hidup berdampingan dengan posisi panjang. Pilihan kendala optimasi portofolio meliputi kemampuan untuk membatasi portofolio optimal terhadap bobot minimum dan maksimum untuk setiap investasi. Volatilitas pengembalian dapat dievaluasi berdasarkan metodologi rasio Sharpe, Sortino dan Omega. Tingkat pinjaman tanpa risiko dan return target juga dapat didefinisikan untuk analisis rasio dan probabilitas. Matriks Korelasi Portofolio Matriks korelasi untuk portofolio dibuat secara otomatis dari data input atau download. Ukuran volatilitas yang dihitung dalam matriks korelasi mencerminkan pilihan risiko yang ditentukan seperti standar deviasi keseluruhan, downside atau semi deviasi. Kelemahan dan volatilitas naik dihitung dan ditunjukkan untuk setiap investasi dan digunakan bersamaan dengan korelasi dalam proses optimasi. Suatu pilihan dapat dipilih untuk memodifikasi matriks korelasi sebelum proses optimasi dieksekusi. Jika perkiraan atau perkiraan tingkat pengembalian yang diharapkan tersedia untuk investasi, maka dapat diganti dalam korelasi matrik agar basis optimasi dapat membebani ekspektasi ke depan. Jika nilai dimodifikasi dalam matriks korelasi, fungsi perhitungan dipasok untuk menghitung ulang rasio patokan untuk proses pengoptimalan. Hasil Analisis Optimalisasi Portofolio Hasil optimasi portofolio menunjukkan perubahan bobot yang dibutuhkan dalam portofolio untuk mencapai hasil optimal dan profil risiko yang ditetapkan. Analisis tambahan menampilkan nilai rasio kunci dan komponen serta analisis probabilitas untuk ambang target return. Jumlah unit untuk setiap investasi digunakan untuk menghitung jumlah pembelian dan penjualan yang dibutuhkan untuk menyeimbangkan portofolio menjadi bobot optimal. Bagan visualisasi menyampaikan perbandingan total return selama periode pengamatan antara memulai portofolio optimal dan investasi benchmark. Batas luar dari garis batas efisien ditampilkan dengan semua kumpulan bobot portofolio yang mungkin dapat dipilih dan dimuat tergantung pada preferensi profil risiko yang diinginkan. Analisis teknis dilakukan untuk setiap investasi dalam portofolio dan dikonsolidasikan pada tingkat portofolio untuk melaporkan bendera dan sinyal penyaringan berdasarkan parameter indikator teknis mapan dan nilai pengamatan terakhir. Optimalisasi Indikator Analisis Teknis Analisis teknikal pada lima indikator utama SMA, ROC, MACD, RSI dan Bollinger Band dapat dijalankan pada setiap investasi serta portofolio awal dan optimal sebagai indeks. Parameter konstan periode dapat dioptimalkan secara otomatis untuk memaksimalkan kembali total pengembalian yang diuji pada perdagangan sinyal untuk investasi individual atau sekuritas dan juga keseluruhan portofolio untuk menetapkan satu set parameter yang memberikan strategi keseluruhan terbaik. Hasilnya menunjukkan nilai tambah strategi perdagangan kembali dan flag screening observasi terakhir untuk setiap indikator. Analisis teknis memetakan plot beli dan jual sinyal, indikator tren dan total return gain untuk masing-masing indikator teknis. Pengembalian seluruh template optimasi portofolio Excel dihitung secara otomatis sesuai dengan itu, tergantung pada apakah posisi panjang atau pendek telah ditentukan.MetaTrader 4 - Contoh Perdagangan portofolio di MetaTrader 4 Magnus ab integro saeclorum nascitur ordo Publius Vergilius Maro, Eclogues Pendahuluan Prinsip portofolio diketahui dari dahulu kala. Dengan melakukan diversifikasi dana ke beberapa arah, investor menciptakan portofolio mereka sehingga mengurangi keseluruhan risiko kerugian dan membuat pertumbuhan pendapatan lebih lancar. Teori portofolio telah mendapatkan momentum di tahun 1950 ketika model matematika portofolio pertama telah diajukan oleh Harry Markowitz. Pada tahun 1980an, tim peneliti dari Morgan Stanley telah mengembangkan strategi perdagangan spread pertama yang membuka jalan bagi kelompok strategi netral pasar. Teori portofolio saat ini beragam dan kompleks sehingga hampir tidak mungkin untuk menggambarkan semua strategi portofolio dalam satu artikel. Oleh karena itu, hanya sejumlah kecil strategi spekulatif bersamaan dengan kemungkinan penerapannya di platform MetaTrader 4 yang akan dipertimbangkan di sini. Beberapa definisi yang diterapkan dalam artikel ini adalah sebagai berikut: Portofolio (keranjang, instrumen sintetis) mengatur posisi pada beberapa instrumen perdagangan dengan volume optimal yang dihitung. Posisi tetap terbuka untuk beberapa waktu, dilacak sebagai satu dan ditutup dengan hasil keuangan biasa. Penyesuaian portofolio (keranjang, instrumen sintetis) mengubah seperangkat instrumen portofolio dan atau volume mereka untuk meminimalkan kerugian atau memperbaiki hasil antara. Jumlah volume sintetis dari posisi sintetis (berapa kali portofolio dibeli atau dijual). Keuntungan virtual profit hasil finansial yang bisa didapat saat memegang posisi dalam interval waktu tertentu. Portofolio investasi klasik biasanya diterapkan di pasar saham. Namun, pendekatan semacam itu tidak sesuai dengan Forex karena kebanyakan portofolio bersifat spekulatif di sini. Mereka diciptakan dan diperdagangkan sedikit berbeda. Sejauh menyangkut Forex, perdagangan portofolio sebenarnya adalah perdagangan multi-mata uang, namun tidak semua strategi multi-mata uang adalah portofolio. Jika simbol diperdagangkan secara independen dan tidak ada dinamika hasil total yang dilacak, ini adalah perdagangan multi simbol. Jika beberapa sistem independen diperdagangkan pada satu akun trading, ini adalah portofolio strategi. Di sini kita akan mempertimbangkan perdagangan portofolio dalam arti sempit ketika posisi sintetis terbentuk dari beberapa simbol dan kemudian dikelola. Prinsip Pengembangan portofolio terdiri dari dua tahap: memilih simbol dan menghitung banyak dan arahan untuk mereka. Disini kita akan membahas hanya beberapa metode pengembangan portofolio sederhana beserta contoh algoritma. Secara khusus, kami mengusulkan metode kuadrat terkecil biasa (OLS) dan analisis komponen utama (PCA) sebagai dasar. Informasi lebih lanjut dapat ditemukan di sini: Saat mengembangkan portofolio, biasanya diperlukan untuk menentukan perilaku grafik portofolio yang diinginkan. Grafik Portofolio mewakili perubahan total keuntungan dari semua posisi yang termasuk dalam portofolio dalam interval waktu tertentu. Optimalisasi portofolio adalah pencarian kombinasi banyak dan arah yang paling sesuai dengan perilaku portofolio yang diinginkan. Misalnya, tergantung pada tugas kita, mungkin diperlukan portofolio untuk mengulang nilai rata-rata atau atribut dari tren yang ditandai dengan jelas atau bagannya harus serupa dengan bagan fungsi. Tiga jenis portofolio (trend, flat, function): Portofolio dapat ditunjukkan dengan persamaan berikut: A, B, C. adalah deret waktu yang sesuai dengan simbol portofolio k1, k2, k3. Adalah simbol banyak (positive buy, negative sell) F target function (ditentukan oleh nilai pada time series points) Ini adalah persamaan regresi linier multivariat dengan zero constant term. Akarnya bisa dengan mudah ditemukan dengan menggunakan OLS. Pertama-tama, deret waktu harus dibuat sebanding sehingga titik harga harus dibawa ke mata uang deposit. Dalam kasus ini, setiap elemen setiap timeseries akan mewakili nilai keuntungan virtual dari satu lot simbol yang sesuai pada waktu tertentu. Nilai logaritma awal atau menggunakan perbedaan harga biasanya direkomendasikan dalam tugas aplikasi statistik. Namun, itu mungkin tidak perlu dan bahkan berbahaya dalam kasus kami karena data dinamika simbol kritis secara keseluruhan akan hancur sepanjang jalan. Fungsi target mendefinisikan jenis grafik portofolio. Nilai fungsi target harus dihitung terlebih dahulu di setiap titik. Misalnya, ketika mengembangkan portofolio pertumbuhan yang sederhana (trend portfolio), portofolio target akan memiliki nilai 0, 1S, 2S, 3S, dll. Di mana S adalah kenaikan nilai uang, dimana portofolio harus ditingkatkan di setiap bar Pada interval yang telah ditentukan. Algoritma OLS menambahkan seri waktu A, B, C. sehingga jumlah totalnya ingin mengulangi fungsi target. Untuk mencapai hal ini, algoritma OLS meminimalkan jumlah penyimpangan kuadrat antara jumlah seri dan fungsi target. Ini adalah tugas statistik standar. Tidak ada pemahaman rinci tentang operasi algoritma yang diperlukan karena Anda dapat menggunakan perpustakaan siap pakai. Bisa juga terjadi bahwa fungsi target hanya mengandung nilai nol (flat portfolio). Dalam kasus ini, batas jumlah rasio tambahan harus ditambahkan (misalnya: k1 k2 k3.1) untuk memotong persamaan regresi dengan nol akar. Alternatifnya adalah memindahkan persamaan ke kanan sehingga menjadikannya fungsi target yang menerima rasio -1, sedangkan syarat sisanya dioptimalkan seperti biasa. Dalam kasus ini, kita menyamakan keranjang instrumen dengan instrumen yang dipilih, sehingga menciptakan portofolio spread. Akhirnya, algoritma PCA yang lebih maju dapat digunakan untuk mengembangkan portofolio tersebut. Ini menerapkan matriks kovariansi instrumen untuk menghitung vektor koefisien yang sesuai dengan titik awan cross section hyperplane dengan portofolio varians minimum residual. Sekali lagi, Anda tidak perlu memahami algoritme secara rinci di sini karena Anda dapat menggunakan perpustakaan siap pakai. Algoritma Sekarang, sekarang saatnya menerapkan semua gagasan yang dijelaskan di atas menggunakan bahasa MQL. Kami akan menggunakan perpustakaan matematika ALGLIB yang terkenal yang disesuaikan untuk MT4. Terkadang, masalah mungkin timbul saat pemasangan, jadi saya akan memikirkannya lebih banyak lagi. Jika beberapa terminal dipasang pada PC, sangat penting untuk menemukan folder data yang benar karena kompilator tidak melihat perpustakaan jika berada di folder data terminal lain. Instalasi perpustakaan ALGLIB: unduh perpustakaan (mql5encode11077), ekstrak file zip buka sertakan folder dan temukan direktori Math di dalam peluncuran platform etarader 4, dimana perpustakaan harus ditambahkan pilih perintah menu: File Open Data Folder membuka MQL4 dan Include subfolder copy Folder Math untuk Sertakan folder dari terminal periksa hasilnya: .mhq file harus berada di dalam MQL4IncludeMathAlglib. Tahap kunci pertama: konversi deret waktu dari titik harga menjadi mata uang deposit. Untuk mencapai hal ini, kita perlu menulis fungsi khusus untuk menghitung harga kontrak pada waktu tertentu. Fungsi MarketInfo konvensional tidak sesuai untuk ini karena ini memberikan harga titik yang benar hanya untuk bar chart terakhir. Masalahnya adalah bahwa penyimpangan pasti muncul dalam sejarah karena harga beberapa simbol terus berubah. Oleh karena itu, sangat penting untuk secara akurat mengubah rangkaian data untuk menghindari ketidakseimbangan yang signifikan dalam portofolio. Fungsi sampel yang menghitung harga kontrak ditunjukkan di bawah ini: Fungsi ini akan selalu digunakan di masa depan. Ia bekerja dengan pasangan mata uang, indeks, futures dan CFD. Selain itu, juga mempertimbangkan prefiks simbol dan postfixes (FXprefix, FXpostfix) yang diterapkan oleh beberapa broker. Hasilnya diubah menjadi mata uang target (ChartCurrency). Jika kita mengalikan nilai fungsi yang dikembalikan dengan harga simbol saat ini, kita mendapatkan harga simbol satu lot. Setelah menjumlahkan semua harga kontrak dalam portofolio mengingat banyak, kita mendapatkan harga keseluruhan portofolio. Jika kita mengalikan nilai fungsi dengan selisih harga dalam waktu, kita menerima keuntungan atau kerugian yang dihasilkan selama perubahan harga itu. Langkah selanjutnya adalah menghitung keuntungan virtual untuk semua kontrak lot individu. Perhitungan diimplementasikan sebagai array dua dimensi dimana dimensi pertama adalah indeks titik dalam interval yang dihitung, sedangkan dimensi kedua adalah indeks simbol (ukuran dimensi kedua dapat dibatasi oleh jumlah tertentu yang mengetahui jumlah simbol dalam Portofolio jelas tidak akan melebihi itu): Pertama, kita harus menyimpan harga awal untuk semua simbol (di batas kiri interval yang dihitung). Kemudian, selisih antara harga awal dan akhir dihitung pada setiap titik interval calculatied dan dikalikan dengan harga kontrak. Setiap kali, kita bergeser ke kanan dengan satu interval waktu dalam lingkaran: Pada fragmen kode di atas, waktu zerotime interval yang dihitung batas kiri, waktu limittime interval yang dihitung batas kanan, Jumlah waktu beberapa menit dalam satu batang kerja Jangka waktu, poin jumlah titik dideteksi dalam interval dihitung. Aturan kepatuhan label waktu berlaku digunakan pada contoh di atas. Jika sebuah bar untuk label waktu tertentu tidak ada bahkan pada satu simbol, sebuah posisi dilewati dan sebuah pergeseran dilakukan pada skenario berikutnya. Mengelola label waktu sangat penting untuk persiapan data awal, karena ketidaktepatan data pada simbol yang berbeda dapat menyebabkan distorsi serius dalam portofolio. Data portofolio sampel untuk tiga simbol dan fungsi independen (parabola akar kuadrat): Setelah kita menyiapkan data, sekarang saatnya mengirimkannya ke model pengoptimalan. Optimalisasi dilakukan dengan menggunakan fungsi LRBuildZ, LSFitLinearC dan PCABuildBasis dari perpustakaan ALGLIB. Fungsi-fungsi ini dijelaskan secara singkat di dalam perpustakaan itu sendiri, dan juga situs proyek resmi: alglibdataanalysislinearregression.php dan di sini: alglibdataanalysisprincipalcomponentsanalysis.php. Pertama, pastikan untuk menyertakan perpustakaan: Selanjutnya, fragmen kode mengingat fitur model harus ditetapkan untuk setiap model pengoptimalan. Pertama, mari kita periksa model contoh tren: Pada awalnya, ini mungkin tampak rumit, tapi pada dasarnya semuanya sederhana. Pada awalnya, fungsi tren linier dihitung dan nilainya ditempatkan pada array MODEL. Parameter ModelGrowth menetapkan nilai pertumbuhan untuk keseluruhan interval perhitungan (nilai, dimana portofolio harus tumbuh dalam mata uang deposit). Parameter ModelAbsolute dan ModelPhase bersifat opsional dan tidak penting pada tahap saat ini. Matriks dibuat untuk perhitungan (MATRIX). Data tentang keuntungan virtual semua kontrak dari array EKUITAS, serta nilai fungsi target dari array MODEL diunduh ke baris terakhir matriks. Jumlah variabel persamaan regresi independen disimpan dalam variabel. Fungsi LRBuildZ dipanggil kemudian untuk melakukan perhitungan. Setelah itu, akar persamaan regresi ditulis ke array ROOTS menggunakan fungsi LRUnpack. Semua matematika kompleks terletak di dalam perpustakaan, sementara Anda bisa menggunakan fungsi siap pakai. Kesulitan utama adalah sifat teknis di sini dan berhubungan dengan pengaturan semua panggilan dengan benar dan melestarikan data selama persiapan. Fragmen kode yang sama dapat digunakan untuk fungsi apapun. Cukup ganti isi array MODEL dengan fungsi target anda. Contoh perhitungan fungsi parabola kuadrat ditunjukkan di bawah ini: Berikut adalah contoh fungsi yang lebih kompleks yang mewakili jumlah dari tren linier dan osilasi harmonisa: Pada contoh di atas, adalah mungkin untuk mengatur ukuran tren (menggunakan parameter ModelGrowth) dan osilasi Amplitudo (menggunakan parameter ModelAmplitude). Jumlah siklus osilasi diatur oleh ModelCycles, sedangkan pergeseran fasa osilasi dilakukan dengan menggunakan ModelPhase. Selain itu, pergeseran vertikal harus dilakukan agar fungsi sama dengan nol pada titik nol untuk memastikan perhitungannya benar: Contoh-contoh ini memudahkan pengembangan fungsi kustom. Anda dapat membuat jenis fungsi apapun tergantung pada tugas dan pengaturan trading Anda. Semakin kompleks tipe fungsi, semakin sulit untuk memilih solusi terbaik, karena pasar tidak diwajibkan untuk mengikuti fungsinya. Di sini, fungsinya hanyalah aproksimasi. Anda tidak memerlukan fungsi target untuk membuat spread dan return flat portfolio. Misalnya, jika Anda ingin membuat spread antara dua keranjang simbol, keranjang yang dioptimalkan akan diunduh ke bagian utama matriks, sedangkan keranjang referensi digunakan sebagai fungsi target dan diunduh ke kolom terakhir dari matriks sebagai total Jumlah: Berikut adalah contoh perhitungan portofolio datar dimana fungsi LSFitLinearC membuat portofolio simetris mungkin sekitar nol dalam interval yang dihitung: Berikut adalah contoh penting lain untuk menghitung portofolio datar dengan varians minimum dengan menggunakan metode PCA. Di sini, fungsi PCABuildBasis menghitung rasionya sehingga grafik portofolio tetap terkompresi dalam interval perhitungan mungkin: Jika Anda merasa terbebani oleh semua konsep matematika ini, jangan khawatir. Seperti yang telah saya katakan, Anda tidak perlu memahami semua detail matematis untuk mengembangkan dan menggunakan portofolio. Secara umum, urutan tahapan terlihat sebagai berikut: Menghitung keuntungan virtual untuk simbol portofolio dengan lot tunggal Perhitungan grafik dan perdagangan menggunakan portofolio Sekarang kita telah memperoleh array ROOTS dari rasio optimal dengan menggunakan sejumlah prosedur, sekarang saatnya mengubah rasio menjadi banyak. Untuk melakukan ini, kita perlu normalisasi: penskalaan dan pembulatan. Menetapkan skala yang dibutuhkan membuat banyak kemudahan untuk berdagang. Pembulatan diperlukan untuk membawa banyak kapasitas sesuai dengan persyaratan broker. Terkadang disarankan melakukan normalisasi berdasarkan total margin portofolio, namun metode ini memiliki kekurangan yang serius (karena margin simbol individu bervariasi dan dapat berubah). Oleh karena itu, jauh lebih masuk akal untuk melakukan normalisasi dengan harga portofolio atau volatilitasnya. Berikut adalah contoh sederhana dari algoritma normalisasi dengan harga portofolio: Disini, harga portofolio disamakan dengan yang dibutuhkan melalui proporsinya. PortfolioValue mensyaratkan harga portofolio, totalvalue total harga portfolio dengan rasio default, scalevolume scaling ratio, LotsDigits lot capacity, LOTS array dari nilai lot yang cocok untuk trading. Banyak nilai membentuk struktur portofolio akhir. Banyak positif sesuai dengan posisi panjang, sementara negatif banyak yang pendek. Mengetahui struktur portofolio, kita dapat merencanakan grafiknya dan melakukan operasi perdagangan dengan portofolio. Berikut adalah struktur portofolio sampel setelah normalisasi: Grafik portofolio diplot hanya dengan harga Close dan ditampilkan dalam subwindow indikator terpisah. Untuk membangun grafik portofolio, kita perlu menghitung setiap batang tabel dengan cara yang sama dengan keuntungan virtual untuk simbol terpisah yang telah dihitung sebelumnya. Namun, sekarang mereka diringkas mempertimbangkan jumlah yang ditugaskan: Dalam fragmen kode ini, kita dapat melihat bahwa grafik tersebut diplot antara palang awal dan akhir: drawbegin dan drawend. Nilai portofolio sama dengan jumlah keuntungan pada semua simbol yang dihitung sebagai selisih harga dikalikan dengan harga kontrak dan jumlah yang telah dihitung sebelumnya. Saya telah melewatkan aspek teknis terkait dengan indikator buffer, format dan sejenisnya. Indikator portofolio siap pakai sampel dijelaskan pada bagian di bawah ini. Di sini Anda bisa memeriksa konstruksi grafik portofolio sampel (indicator bottom subwindow) dengan grafik fungsi target terlampir: Disini, parabola akar kuadrat yang dibuat simetris relatif terhadap titik referensi (ModelAbsolutetrue) digunakan sebagai fungsi target. Batas interval yang dihitung ditunjukkan sebagai garis putus-putus merah, sedangkan grafik portofolio cenderung bergerak sepanjang garis fungsi target baik di dalam maupun di luar interval yang dihitung. Anda dapat melakukan analisis teknis grafik portofolio yang serupa dengan grafik harga simbol biasa, termasuk menerapkan moving averages, trend lines and levels. Ini memperluas kemampuan analisis dan perdagangan yang memungkinkan Anda untuk memilih struktur portofolio untuk membentuk pengaturan perdagangan tertentu pada grafik portofolio, misalnya koreksi setelah impuls tren, tren melemah, keluar dari titik datar, overbought-oversold, konvergensi-divergensi, pelarian, tingkat Konsolidasi dan setup lainnya. Kualitas setup perdagangan dipengaruhi oleh komposisi portofolio, metode optimasi, fungsi target dan segmen sejarah terpilih. Perlu diketahui volatilitas portofolio untuk memilih volume perdagangan yang sesuai. Karena bagan portofolio pada awalnya didasarkan pada mata uang deposit, Anda dapat menilai rentang fluktuasi portofolio dan kedalaman penarikan potensial secara langsung dalam mata uang tersebut dengan menggunakan mode kursor crosshair dan menariknya. Sistem perdagangan harus didasarkan pada sifat perilaku portofolio dan statistik penyiapan. Sampai sekarang, kami belum menyebutkan fakta bahwa perilaku portofolio dapat berubah secara dramatis di luar interval pengoptimalan. Sebuah flat bisa berubah menjadi tren, sementara tren bisa berubah menjadi pembalikan. Sistem perdagangan juga harus mempertimbangkan bahwa properti portofolio cenderung berubah dari waktu ke waktu. Isu ini akan dibahas di bawah ini. Operasi perdagangan dengan portofolio terdiri dari satu kali membeli semua simbol portofolio dengan volume yang dihitung. Untuk lebih memudahkan, masuk akal untuk meminta Expert Advisor khusus untuk melakukan semua pekerjaan rutin, termasuk mendapatkan data struktur portofolio, menyiapkan posisi sintetis, melacak tingkat masuk, memperbaiki keuntungan dan membatasi kerugian. Kami akan menerapkan persyaratan berikut mengenai operasi EA: posisi portofolio sintetis panjang dan posisi portofolio sintetis pendek (dimana posisi panjang diganti dengan yang pendek dan sebaliknya). EA harus bisa mengumpulkan posisi, melacak volume sintetis, serta melakukan portofolio kelambu dan transformasi. Contoh EA dipertimbangkan pada bagian berikutnya, walaupun strukturnya tidak dijelaskan karena keterbatasan volume artikel. Berikut adalah contoh antarmuka minimalis untuk portofolio EA: Terkadang, tidak perlu hanya membangun satu tapi beberapa portofolio. Dalam kasus yang paling sederhana, diperlukan untuk membandingkan dua portofolio. Beberapa tugas memerlukan seluruh rangkaian portofolio yang akan dibangun di atas satu segmen sejarah sehingga menghasilkan serangkaian portofolio yang mengandung pola tertentu. Untuk melaksanakan tugas semacam itu, algoritma yang menghasilkan portofolio sesuai dengan template tertentu diperlukan. Contoh penerapan indikator semacam itu dapat ditemukan di bagian selanjutnya. Di sini, kita akan hanya mendeskripsikan fitur operasi yang paling penting. Kita perlu mengatur susunan struktur untuk menyimpan data beberapa portofolio, misalnya: Dalam fragmen kode ini, DIMSIZE menetapkan ukuran maksimum untuk menyimpan portofolio. Struktur disusun dengan cara sebagai berikut: simbol simbol simbol simbol, lot lot array untuk simbol portofolio, string teks rumus dengan persamaan portofolio, arah portofolio arah (panjang atau pendek), atribut filter filter (termasukexcluded). Menerapkan susunan struktur lebih mudah dan masuk akal daripada menggunakan array terpisah. Array struktur juga dapat dibuat untuk menyimpan portofolio buffer buffer array: Portofolio dalam himpunan bervariasi dengan kombinasi simbolnya. Kombinasi ini dapat didefinisikan terlebih dahulu atau dihasilkan sesuai dengan peraturan tertentu. Bekerja dengan satu set portofolio mungkin mencakup beberapa tahap tergantung pada sebuah tugas. Mari pertimbangkan urutan tahapan berikut di sini: Menghitung bagan portofolio terpisah Pertama, portofolio terpisah dalam satu set dihitung sesuai dengan prinsip yang telah dijelaskan sebelumnya. Menggabungkan portofolio pada titik nol diperlukan untuk kemudahan analisis. Untuk melakukan ini, sebuah titik, di mana semua portofolio sama dengan nol, dipilih. Reversing portfolios relative to a zero level can also be useful to simplify analysis. Falling portfolios become growing ones after lots are inverted. Filtering portfolios within a set means selecting the best portfolios by some criterion, for example a growth speed, deviation from zero, position within a set relative to other portfolios. So, the the best portfolios selected and combed into a basket of portfolios, or a superportfolio (superposition of portfolios). The image below illustrates these steps: A vertical shift is used to combine portfolios. Portfolio is reversed when multiplied by -1. Finally, a filter is applied by sorting and sampling by values. No detailed description of these algorithms is provided here to avoid a huge bulk of routine code. Below is a sample set of portfolios constructed following the mentioned principles: The graph shows a set of portfolios calculated by PCA model with a short period. The calculated interval boundaries are shown as the red dashed lines. Here we can see the expansion of the portfolio set on either side of the optimization interval. The zero point is selected at the left optimization interval boundary, while the moments of reversal relative to zero and the filter application are marked by the purple dotted lines. The thick line outlines the superportfolio consisting of the most active portfolios and thereby having a decent run from the zero point. Combining portfolios provides additional possibilities for analysis and developing trading strategies, for example diversification between portfolios, spreads between portfolios, convergence-divergence of the set of portfolios, waiting for twisting of a portfolio set, moving from one portfolio to another and other approaches. Implementation examples The methods described in the current article have been implemented as a portfolio indicator and a semi-automated EA. Here you can find the instructions, download the source code and adapt it to your needs: Portfolio Modeller portfolio developer and optimizer. It features several optimization model types with configurable parameters. Besides, you can add your own models and target functions. There are also basic tools for the technical analysis of portfolios, as well as various chart formatting options. Portfolio Multigraph generator of portfolio sets with the same models and parameters and additional options for portfolio transformation and filtration as well as creating a superportfolio. Portfolio Manager EA for working with portfolios and superportfolios. It operates in conjunction with the portfolio indicator and allows opening and managing synthetic positions as well as has portfolio correction functionality and auto trading mode based on graphical lines of virtual orders. Trading strategies There are many trading strategies based on applying synthetic instruments. Lets consider a few basic ideas that can be useful when creating a portfolio trading strategy. At the same time, lets not forget about risks and limitations. The classical approach to generating a portfolio is to identify undervalued assets having a growth potential and include them to the portfolio with the expectation of their rise. The portfolio volatility is always lower than the sum of volatilities of the instruments included. This approach is good for the stock market but it is of limited use on Forex since currencies usually do not demonstrate sustained growth, unlike stocks. Below is Warren Buffetts long-term portfolio: When working with standard investment portfolios, it is necessary to carefully evaluate the current asset status to buy it during the price downward movement. The first and easiest option for the speculative portfolio trading is a pair trading creating a spread of two correlating symbols. At Forex, this approach is significantly limited since even highly correlating currency pairs have no cointegration and therefore, can considerably diverge over time. In this case, we deal with a broken spread. Besides, such pair trading turns into trading a synthetic cross rate since pairs with a common currency are usually included into a spread. This kind of pair trading is a very bad idea. After opening opposite positions by spread, we sometimes have to wait a very long time before the curves converge again. Below is an example of highly correlating pairs and their gradual and inevitable divergence: The development of this approach is a multilateral spread trading when three and more currency pairs are included into spread. This is already better than pair trading since it is easier to create a more even spread with greater number of combination options. However, the same risks remain: a spread can diverge and not converge again. It is much easier to achieve good spread return on a quiet market, but strong fundamental news cause a rapid and irreversible divergence after a while. Interestingly, if we increase the number of instruments in a spread, the divergence probability is increased as well, since the more currencies are involved, the greater the probability that something happens during some news release. Waiting for the spread to converge again would be an extremely detrimental strategy, since this works only on a quiet flat market. Below is a sample multi-lateral spread behavior during a news release: Spread trading has more opportunities on stock or exchange market in case there is a fundamental connection between assets. However, there are still no guarantees against spread gaps on the dividend date or during futures contracts expiration. Spreads can also be composed of market indices and futures but this requires consideration of exchange trading features. A dead-end branch of the spread trading is represented by a multi-lock when cyclically related currency pairs (for example, EURUSD-GBPUSD-EURGBP) are selected and used to form a balanced spread. In this case, we have a perfect spread which is impossible to trade since total spreads and commissions are too high. If we try to unbalance lots a bit, the graph becomes more trend-like which contradicts spread trading, while the costs remain high enough making this approach meaningless. Below is an example of a balanced multi-lock. The total spread is shown as two red lines: Spread trading drawbacks make us switch to trend models. At first glance, everything seems to be harmonious enough here: identify trend, enter during a correction and exit with profit at higher levels. Below is an example of a good trend model: However, trend models may turn out to be not so simple and handy at times. Sometimes, a portfolio refuses to grow further and sometimes it turns down sharply. In this case, we deal with a broken trend. This occurs quite often on short and medium-term models. The trading efficiency depends heavily on the market phase here. When the market is trendy, the system works well. If the market is flat or especially volatile, numerous losses may occur. Below you can see a sharp trend completion: These drawbacks make us reconsider traditional approaches. Now, lets have a look at spread breakout and trend reversal trading methods. The common supposition is that since we cannot avoid portfolio instability, we should learn how to use it. In order to develop a spread breakout setup, we need to create a very compact short-period spread with the minimum volatility in anticipation of a strong movement. The more we compress the portfolio volatility, the stronger it bursts out. For accelerated spread breakout, it is possible to form a setup before beginning trade sessions and before the news selecting certain intervals of a quiet market. PCA optimization method is best suited for volatility compression. In this setup, we do not know in advance, in which direction the breakout is to occur, therefore, the entry is already defined when moving from the spread boundaries. Below is a sample exit from the short-period spread channel with the spread channel boundaries highlighted: The method advantages: short-period spreads are frequent on charts and the volatility after the breakout often exceeds the spread corridor width. The drawbacks: spreads are expanded during news releases and a saw may form when the price moves up and down a few times. The conservative entry can be proposed as an alternative after exiting a spread corridor during the correction to the corridor boundary if possible. In order to create a trend reversal setup, a trend model is created, as well as turning movements and portfolio price levels are tracked. The movement direction is clearly defined but we do not know in advance when the trend reverses. An internal trend line crossing, reverse correction and roll-back are tracked for a conservative entry. Touching an external trend line and a roll-back are tracked for an aggressive entry. Below is an example of a trend portfolio with the external and internal lines displayed: The method advantages: good entry price, convenience, extreme price instability works in favor of the setup. Disadvantages: portfolio price may go up the trend due to fundamental reasons. In order to improve the situation, we may enter in fractional volumes from multiple levels. A similar setup can be implemented using square root parabolic function model. The setup is based on a well-known property: when the price reaches a theoretical limit of a market distribution range, its further movement is hindered. Like in other cases, the target optimization function is adjusted for the current market distribution. If the markets had featured normal Gaussian distribution, the time-based square root law would have always worked perfectly but since the market distribution is fractal and non-stationary in its nature, the situational adjustment is required. You can find more about market distributions in the following books by Edgar Peters: Chaos and Order in the Capital Markets Fractal Market Analysis Below is an example of a portfolio moving away from the parabolic function: This setup is perfect for adapting to mid-term volatility. However, just like in case of a trend setup, a portfolio price may move upwards due to fundamental factors. The market is not obliged to follow any target function behavior, but neither it is obliged to deviate from it as well. Some degree of freedom and duality remain at all times. All trade setups are not market-neutral in the absolute sense but are based on some form of technical analysis. The dual nature of trend and flat can be seen below. A trend model looks similar to an uneven flat on a bigger scale: Apart from symbol combination and model type, location of estimated interval boundaries is of great importance when developing a portfolio. When configuring the portfolio, it might be useful to move the boundaries and compare the results. Good choice of boundaries allows finding portfolios that are more suitable in terms of a trading setup. If a portfolio position enters a drawdown, it is possible to correct the portfolio without closing existing positions. Shifting the boundaries changes the portfolio curve adapting it to a changing situation. Positions should be corrected accordingly after re-arranging the portfolio. This does not mean that the drawdown will decrease in a moment, but the corrected portfolio might become more efficient. Next, lets consider some properties of portfolio sets and their possible applications in trading systems. The first property of portfolio sets to catch the eye is a set expansion, or divergence of portfolios with distance from the zero point. It would be only natural and reasonable to use this property for trading: buying rising portfolios and selling falling ones. Below is a sample expanding set of portfolios: The second property portfolio set compression (convergence) is opposite to the previous one. It happens after an expansion. Expansion and compression cycles suggest that this behavior can be used to open synthetic positions in anticipation of returning to the center of the set after reaching an alleged highest degree of expansion. However, the expansion highest degree always vary, and it is impossible to predict the final boundaries of the set curves expansion. Below is a sample compressing set of portfolios: Applying various target functions, filtration parameters, reversals and combinations provides good opportunities for experimenting and searching for efficient trading setups. Generally, all setups can be divided into two classes: trading breakouts and trading roll-backs. Below is an example of the first type trading setup with a reversal and shift of a portfolio set: A sample roll-back trading setup based on the multi-trend model is provided below: Another recurring portfolio property is a set twist (self-crossing). Typically, this corresponds to a change of a market trend. If we trade in anticipation of an expansion of portfolios, a twist is a negative effect requiring the set re-arrangement. For other strategies, crossing of some portfolio curves can be used to identify promising and played-out portfolios. Besides, it is necessary to consider a distance traveled, levels, position in a set and position relative to the target function. Below is an example of a set twisting multiple times: We have not focused out attention on the volume management issue up until now, though this is a critical part of any trading system. Generally, we can describe the following approaches: trading a single synthetic position (the simplest case) dividing the volumes (extended entry by levels) adding to a rising portfolio (pyramiding by trend) adding to a portfolio in a drawdown (position averaging) adding to a portfolio after a correction (finishing method) adding to a portfolio after a reversal (expansive strategy) adding to new portfolios (portfolio consolidation) combined approach (combining several approaches) Specific volume management method should be selected considering trading system features. When planning a profit and a drawdown, your calculations should be based on a portfolio volatility. In the simplest case, the portfolio volatility can be evaluated as the movement range of its graph within a certain segment. It is much better to evaluate volatility not only within the optimization interval but on the previous history as well. Knowing the portfolio volatility, it is possible to calculate a theoretical value of the maximum total drawdown at a series of positions. Traditionally, we caution against too frequent aggressive volume adding. The total funds allocated for a portfolio coverage on a trading account should be able to withstand unfavorable movement considering all additional positions. Multi-portfolio trading means systematic portfolio selection and consolidation. If one portfolio is bought and another one is added to it, this may have a positive diversification effect if the portfolios have noticeable differences. But if portfolios are correlating, this may have a negative effect, since they both may find themselves in a drawdown in case of an unfavorable movement. Normally, you should avoid adding correlating portfolios. At first glance, trading spread between two correlating portfolios may seem to be very promising but closer examination shows that such spreads are no different from usual spreads since they are not stationary. Various exit strategies can be applied in multi-portfolio trading, including: closing by total result of all portfolios closing a group of portfolios by the groups total result closing by certain portfolios targets and limits. For some strategies, the entry point is of critical importance. For example, if a strategy applies extreme prices before a trend reversal or correction, a period suitable for entry is very short. Other strategies are more reliant on the optimal calculation of a position adding system and portfolio selection principle. In this case, individual portfolios may enter a drawdown, but other (more efficient) portfolios within the consolidated series adjust the overall result. Conclusion Portfolio trading advantages: optimization allows you to create a portfolio curve according to your preferences, as well as form a desired trading setup and trade it similar to trading symbols on a price chart. However, unlike trading portfolios, buying and selling conventional assets leave traders in passive position (since they are only able to accept the current price chart or avoid using it). Besides, as the situation evolves, traders can adjust their portfolios to new market conditions. Portfolio trading drawbacks: standard pending orders are not applicable, more stringent minimum volume requirements, bigger spreads on 30 and lower charts, hindered intraday scalping, no OHLC data, not all indicators can be applied to portfolios. Generally, this is a rather specific approach in trading. Here we have only made an introductory overview of the portfolio properties and working methods. If you want to perform deeper studies of portfolio trading systems, I recommend using the MetaTrader 5 platform for that, while market distribution properties should be studied in specialized statistical packages. Peringatan: Semua hak atas materi ini dicadangkan oleh MQL5 Ltd. Menyalin atau mencetak ulang bahan-bahan ini secara keseluruhan atau sebagian dilarang.
Sniper-forex-trader
Perdagangan-strategi-melibatkan-pilihan-bab-10